De la redacción
El Buen Tono
Los agentes de inteligencia artificial han evolucionado hasta convertirse en herramientas capaces de investigar, tomar decisiones, utilizar programas y ejecutar tareas de manera autónoma. Sin embargo, todavía enfrentan una limitación importante: pierden información y contexto cuando una tarea pasa de un agente a otro, cambia de sesión o se ejecuta desde otro dispositivo.
La iniciativa plantea que los problemas de memoria persistente, administración de estados, identidad digital y comunicación entre agentes no son dificultades aisladas, sino distintas manifestaciones de un mismo problema arquitectónico.
El problema: los agentes no siempre comparten el mismo contexto
El artículo explica que un agente puede acumular información, establecer relaciones, identificar objetivos y tomar decisiones durante una tarea. Sin embargo, cuando transfiere el trabajo a otro agente, esa información no necesariamente se conserva.
El autor utiliza el siguiente esquema para representar el problema:
Agent A
|
| task + JSON + metadata
v
API / Queue / Network
|
v
Agent BEn este modelo, el primer agente conoce la identidad, intención, historial, permisos y decisiones anteriores. El segundo recibe información, pero debe reconstruir parte de ese contexto para continuar.
Para ilustrarlo, el artículo presenta un ejemplo de información que podría enviarse entre dos agentes:
{
"invoice": 392
}Aunque el dato identifica una factura, no explica a quién pertenece, por qué fue seleccionada, quién solicitó revisarla o qué permisos existen para consultarla.
Una versión con más información podría ser:
{
"invoice": 392,
"customer": "alice",
"task": "audit",
"requested_by": "agent_a"
}Sin embargo, Sui Gn advierte que agregar más datos no resuelve completamente el problema, porque otro sistema todavía debe interpretar las relaciones y determinar si siguen siendo válidas.
La propuesta: el contexto antes que el mensaje
Uno de los principios centrales de .me se resume en una expresión:
context precedes messageEl autor también lo representa mediante una fórmula:
result = f(context, message)Esto significa que el resultado de una operación no depende únicamente del mensaje recibido, sino también del contexto en el que se interpreta.
La propuesta busca que los agentes puedan consultar un entorno donde ya estén disponibles elementos como identidad, relaciones, permisos y estado semántico, sin reconstruirlos cada vez que reciben una instrucción.
El esquema planteado es el siguiente:
resolvable space
|
|-- identity
|-- context
|-- relationships
|-- semantic state
|-- reachability
|
v
executionDe esta manera, el contexto dejaría de ser información adicional incorporada a una instrucción y pasaría a formar parte de la infraestructura que permite ejecutar las tareas.
Memoria artificial: guardar información no significa conservar su significado
Otro de los puntos abordados es la diferencia entre almacenar información y preservar su significado.
El artículo utiliza como ejemplo una instrucción sencilla:
"Approve the transaction."Aunque esta frase puede permanecer almacenada durante años, eso no garantiza que un agente futuro sepa quién la emitió, a qué transacción corresponde, bajo qué autoridad se autorizó o si estaba sujeta a determinadas condiciones.
Por ello, .me plantea que la memoria persistente debe conservar las relaciones necesarias para que un sistema futuro pueda interpretar correctamente la información.
La propuesta también distingue entre el almacenamiento tradicional de datos y la administración de estados.
Como ejemplo, presenta:
state = approvedEl problema es que la palabra approved por sí sola no explica qué fue aprobado.
Para representar mejor las relaciones, el artículo propone una estructura jerárquica:
company
└── finance
└── invoice
└── 392
└── approval
└── approvedAsí, el estado deja de ser un valor aislado y adquiere significado dentro de una estructura de información.
Diferencias entre las bases de datos vectoriales y .me
El desarrollador también aborda el funcionamiento de las bases de datos vectoriales y los sistemas RAG, utilizados para recuperar información relevante mediante similitudes semánticas.
Explica que encontrar dos fragmentos de información similares no significa necesariamente que representen la misma identidad, contexto, autorización o relación.
El artículo compara ambos procedimientos:
Vector retrieval:
query
|
similarity
|
candidate informationFrente a:
.me resolution:
identity + context + path
|
resolution
|
semantic stateLa propuesta no busca eliminar las bases de datos vectoriales ni los mecanismos de recuperación de información, sino complementar sus funciones.
Mientras estos sistemas ayudan a encontrar datos relacionados, .me pretende establecer cómo se relacionan dentro de un entorno específico.
Tres agentes trabajando sobre un mismo entorno
Una de las aplicaciones planteadas corresponde a los sistemas multiagente, donde diferentes inteligencias artificiales colaboran para completar una misma tarea.
El artículo utiliza tres ejemplos: un agente investigador, uno encargado de planificar y otro responsable de ejecutar.
En una arquitectura convencional, cada uno podría recibir una versión distinta de la información:
Research Agent
|
serialize
v
Context B
|
serialize
v
Context CCada transferencia representa una oportunidad para perder información o modificar su significado.
En cambio, .me propone que los tres agentes consulten un mismo espacio de contexto:
Research Agent
|
v
+-----------+
| |
| .me Space |
| |
| identity |
| context |
| state |
| relations |
| resolution|
| |
+-----------+
^ ^
| |
Planning Execution
Agent AgentEsto permitiría compartir información sin obligar a que todos los agentes tengan exactamente los mismos permisos o accedan a las mismas partes del sistema.
Identidad digital: cambiar de dispositivo no significa cambiar de identidad
Otro apartado importante aborda la identidad de los agentes.
El autor plantea que la identidad, las claves criptográficas y los datos deben tratarse como elementos diferentes.
Lo expresa mediante dos relaciones matemáticas:
identity ≠ keys ≠ dataY:
ΔK ⇏ ΔILa segunda expresión indica que un cambio en las claves criptográficas no necesariamente implica un cambio de identidad.
También presenta:
ΔT ⇏ ΔIEn este caso, un cambio en la topología o infraestructura tampoco debería modificar automáticamente la identidad del agente.
La intención es que una inteligencia artificial pueda cambiar de dispositivo, servidor o entorno de ejecución sin perder su identidad dentro del sistema.
El riesgo de que una inteligencia artificial interprete diferente una misma instrucción
El artículo introduce el concepto de desviación semántica, que ocurre cuando dos agentes interpretan de manera diferente una misma información.
El ejemplo se presenta así:
Agent A resolves X → meaning₁
Agent B reconstructs X → meaning₂Si los significados son diferentes:
meaning₁ ≠ meaning₂Se produce una alteración del contexto.
El autor advierte que esto puede suceder incluso cuando técnicamente todo parece funcionar correctamente: el archivo JSON se procesa, la API devuelve una respuesta 200 y la transacción en la base de datos concluye sin errores.
Sin embargo, el resultado puede haber cambiado de significado.
Esta situación representa un riesgo para los sistemas autónomos, porque un error de interpretación podría pasar inadvertido si únicamente se verifica que la operación se ejecutó correctamente.
Una arquitectura que busca mantener la continuidad
En su planteamiento, Sui Gn sostiene que un agente verdaderamente persistente necesita algo más que el historial de conversaciones.
El artículo resume esta idea mediante la siguiente fórmula:
identity
+
semantic state
+
relationships
+
context
+
resolution
=
continuityLa continuidad debería mantenerse incluso cuando se inicia una nueva sesión, cambia el modelo de inteligencia artificial, se utiliza otro dispositivo o se transfiere una tarea a un agente diferente.
La arquitectura general de .me contempla un entorno compartido que integra identidad, contexto, estado semántico, relaciones, resolución y visibilidad.
El funcionamiento debe demostrarse mediante pruebas
El desarrollador también establece que la propuesta no debe evaluarse únicamente por sus conceptos teóricos, sino por su capacidad de demostrar resultados reproducibles.
Para ello, presenta diferentes condiciones que deberían provocar un fallo si el sistema no conserva correctamente sus propiedades:
If changing topology unexpectedly changes identity:
FAILIf rotating a key unexpectedly changes topology:
FAILIf two agents that should resolve different
visibility boundaries receive identical state:
FAILIf the same resolvable semantic state changes
meaning merely because execution moved:
FAILEl principio que resume esta postura es:
execution proves resolutionEs decir, el funcionamiento real del sistema debe demostrar que puede conservar las relaciones y significados establecidos, incluso cuando cambian las condiciones de ejecución.
La propuesta .me plantea así una alternativa a los sistemas tradicionales de memoria artificial: en lugar de obligar a cada agente a reconstruir continuamente la información que necesita, busca que todos puedan consultar y resolver su contexto desde una misma estructura tecnológica.
El objetivo final es que los agentes de inteligencia artificial no tengan que transportar todo su conocimiento dentro de una instrucción ni depender exclusivamente de historiales para comprender una tarea, sino que puedan mantener continuidad, identidad y significado durante sus operaciones.
Es gratis. Solo escribe tu correo y presiona Sign Up para suscribirte.
